推荐机制-协同过滤（collaborative filtering）算法

于 2024-10-08 16:10:16 发布
阅读量376 收藏 4
点赞数 3
分类专栏： Python 文章标签： 推荐 推荐算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45889056/article/details/141757634
版权

这里写目录标题

参考视频资料：B站

目标场景

在这里插入图片描述

相似度计算方式

在这里插入图片描述

余弦相似度

在这里插入图片描述

欧氏距离和余弦相似度

在这里插入图片描述

皮尔逊相关系数

在这里插入图片描述

协同过滤

UserCF

在这里插入图片描述

举例说明计算相关系数的过程：

在这里插入图片描述

接着计算预测Alice对物品5的评分：

在这里插入图片描述

选出最相似的两个用户，记为 S \mathcal{S} S
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

缺点

在这里插入图片描述

ItemCF（从列向量分析）

在这里插入图片描述
在这里插入图片描述

缺点

  • 数据的稀疏性
    在这里插入图片描述
  • 物品相似度矩阵的维护难度大
    在这里插入图片描述

UserCF和ItemCF对比

  • 区别
    在这里插入图片描述
  • 共同的缺点
    在这里插入图片描述
    在这里插入图片描述
还有你Y
关注
专栏目录
推荐系统--协同过滤（Collaborative Filtering）
weixin_42727538的博客
04-25 747
推荐系统–协同过滤 基本思想 根据用户 uiu_iui​ 之前的喜好以及与其兴趣相近的用户 viv_ivi​ 的喜好给当前用户 uiu_iui​ 进行推荐。 目前较为常用的协同过滤算法是基于邻域的方法，主要包括（我们对这两种算法单独进行描述，具体可见链接）： 基于用户的协同过滤算法（UserCF）：向用户推荐与其兴趣相近的用户喜欢的物品 基于物品的协同过滤算法（ItemCF）：向用户推荐和它之前喜欢的物品相近的物品 对于协同过滤，最重要的就是计算用户之间或物品之间的相似度，我们给出常用的相似性度量。 相
推荐系统：基于内容Content-based，协同过滤Collaborative Filtering
qq_39852142的博客
01-10 1249
Content-based recommending system 算法思想：在我们已经有了用户一部分数据的前提下，推荐与用户之前喜欢的产品的类似产品。 对每个商品设置一个 item profile。对每个用户也初始化一个user profile。 首先我们需要对于用户数据进行规一化（Normalize）以保证归一化后的数据取值在 [0,1] 范围中。举个例子，对于有A演员参演的两部电影，某一用户打分3分和5分，对于有B演员参演的另外三部电影，该用户打分1分,2分和4分，此时会发现B演员参演的电影波动很大，
推荐算法-协同过滤（Collaborative Filtering）-相似度
zztSky
08-26 2593
推荐算法 推荐模型构建流程 推荐算法概述 基于协同过滤的推荐算法 协同过滤实现 一 推荐模型构建流程 Data(数据)->Features(特征)->ML Algorithm(机器学习算法)->Prediction Output(预测输出) 数据清洗/数据处理 数据来源 显性数据 Rating 打分 Comments 评论/评价 隐形数据 Order history 历史订单 Cart events 加购物车 Page views 页面浏览 Click-t
协同过滤推荐 Collaborative Filtering recommendation
JasonH2021的博客
06-04 3537
本文主要简单介绍了协同过滤推荐的基本概念，优缺点，应用场景，建模时的注意事项，实现方法，python示例和模型的参数等。
推荐系统：Content-based & Collaborative Filtering
糖葫芦君的博客
01-03 5827
X = set of 顾客 S = set of 商品 Utility function: X ×\times× S = R R = 打分的集合 本文将主要针对以下关键问题进行阐述： （1） 收集矩阵中已知的打分：怎么收集utility matrix中的数据 （2） 根据已知的打分推断未知的得分：我们主要关心的是未知的高分项，因为我们只想知道客户喜欢什么而不关心客户不喜欢什么 （3） 评估推断方...
GDSRec：Graph-Based Decentralized Collaborative Filtering for Social Recommendation(基于图的社交推荐分散协作过滤)
qq_52664222的博客
11-08 2069
基于 user-item interactions和user-user social relations生成推荐是基于 web 的系统中的常见用例。这些联系可以自然地表示为图结构数据，因此利用图神经网络（GNN）进行社会推荐已成为一个有前景的研究方向。然而，现有的基于图的方法**无法考虑**用户（项目）的**偏差偏移**。 例如，**挑剔用户**的低评级可能并不意味着对该项目持负面态度，因为用户**在常见情况下倾向于给予低评级**。 在图形建模过程中应考虑此类统计数据。虽然过去的一些工作考虑了这种偏差，但我
推荐系统----协同过滤算法
weixin_45504064的博客
12-25 1016
目录1 算法概述2 用户协同过滤（UserCF）缺点3 物品协同过滤（ItemCF）4 应用场景分析5 传统协同过滤的缺陷6 参考材料 1 算法概述 协同过滤算法（collaborative filtering）的主要目标是通过用户物品交互产生的协同（collaborative）信息，从而计算用户与用户之间的相似度、物品与物品之间的相似度。通过相似度的加权求和，计算用户对于物品的评分。 根据相似度计算的出发点的不同，协同过滤可以分为用户协同过滤（userCF）以及物品协同过滤（itemCF）。 交互信息
Mahout协同过滤算法源码分析--Itembased Collaborative Filtering实战
fansy1990的专栏
10-10 6452
Mahout版本：0.7，hadoop版本：1.0.4，jdk：1.7.0_25 64bit。 本系列介绍介绍mahout中的Itembased Collaborative Filtering算法，这个算法的实现的源码是org.apache.mahout.cf.taste.hadoop.item.RecommenderJob。在mahout官网是这样介绍这个算法的：RecommenderJob是
算法篇--协同过滤
热门推荐
小强签名设计 的博客
08-04 1万+
文章目录一、长尾理论二、协同过滤介绍1.基于用户的协同过滤算法（User-based CF，简称UserCF） 一、长尾理论 wiki链接：https://wiki.mbalib.com/wiki/%E9%95%BF%E5%B0%BE%E7%90%86%E8%AE%BA   长尾头部的商品往往代表了绝大多数用户的需求而长尾中的商品往往代表了一小部分用户的个性化需求。因此如果要通过发掘长尾来提高销售额就必须充分研究用户的个性化兴趣。而这正是个性化推荐系统主要解决的问题。   推荐系统通过发掘用户的行为找到用户
人工智能-协同过滤推荐算法-基于用户+基于项目-python实现-CollaborativeFiltering-master
03-16
本项目"人工智能-协同过滤推荐算法-基于用户+基于项目-python实现-CollaborativeFiltering-master"提供了Python实现的用户基（User-Based）和物品基（Item-Based）两种协同过滤方法。 首先，我们来看用户基协同过滤...
基于用户的协同过滤算法（user-based Collaborative Filtering）
12-22
【基于用户的协同过滤算法（User-Based Collaborative Filtering）】 协同过滤是一种常见的推荐系统算法，它主要依赖于用户的历史行为和偏好来预测他们可能感兴趣的新项目。在基于用户的协同过滤算法中，我们假设...
Memory-based-collaborative-filtering:高效的协同过滤算法实现-推荐系统
03-11
包含基于用户的CF（ ），基于项目的CF（ ）健壮的k近邻推荐系统在Python中使用MovieLens数据集 基于用户的协作过滤器 K = 25运行时间：1s RMSE：0.940611 MAE：0.884748。 基于内存的算法易于实现，并且可以产生...
基于协同过滤算法商品推荐系统论文-java-文档-基于协同过滤算法商品推荐系统文档
02-22
具体包括用户-用户协同过滤(User-Based Collaborative Filtering, UBCF)和物品-物品协同过滤(Item-Based Collaborative Filtering, IBCF)两种主要形式。 - **用户-用户协同过滤**：该方法通过计算用户之间的相似度...
FiBiNET模型实现推荐算法
深度学习实战训练营，一起交流探索深度学习
09-22 1795
双线性特征交互：FiBiNET的核心创新点是双线性特征交互机制（Bilinear Interaction Layer），通过不同的特征组合方式来挖掘潜在的特征交互关系。与传统的线性模型不同，双线性层可以捕捉到更高阶的特征交互信息，从而提高推荐的准确性。注意力机制：FiBiNET结合了特征注意力机制（Feature Attention Network），这一机制使模型能够根据输入样本的不同，动态地为特征赋予不同的重要性。
Python基于机器学习的金融大数据风控建模实战源码+数据+pkl模型文件.zip
最新发布
10-10
Python基于机器学习的金融大数据风控建模实战源码+数据+pkl模型文件.zip
springcloud
10-10
springcloud
Java项目: 基于SpringBoot+mybatis+maven+vue+mysql在线教育系统(含源码+数据库+毕业论文)
10-10
一、项目简介 包含：项目源码、数据库脚本等，该项目附带全部源码可作为毕设使用。 项目都经过严格调试，eclipse或者idea 确保可以运行！ 该系统功能完善、界面美观、操作简单 二、技术实现 jdk版本：1.8 及以上 ide工具：IDEA或者eclipse 数据库: mysql5.5及以上 后端：spring+springboot+mybatis+maven+mysql 前端: vue , css，js , elementui 三、系统功能 1、系统角色主要包括：管理员、用户、讲师 2、系统功能 后台主要功能包括： 首页 个人中心 修改密码 个人信息 用户管理 讲师管理 普通管理员管理 课程管理员管理 课程管理 课程分类管理 教师管理 名师管理 系统管理 订单管理 前台功能包括： 用户登录 用户注册 首页 课程信息推荐 课程详情 点我收藏 添加到购物车 立即购买 发表评论 教师信息推荐 个人中心 我的收藏 余额充值 后台管理 购物车等功能 详见 https://flypeppa.blog.csdn.net/article/details/142827942
纸板码垛程序，码垛动画仿真，采用博图v16编程，西门子S7-1200码垛程序，仿真效果如图所示，可以实现纸板 纸箱的动态码垛，为
10-10
纸板码垛程序，码垛动画仿真，采用博图v16编程，西门子S7-1200码垛程序，仿真效果如图所示，可以实现纸板 纸箱的动态码垛，为PLC程序+电路图
User-based Collaborative Filtering算法原理
05-13
User-based Collaborative Filtering是一种基于用户的协同过滤推荐算法，其原理可以简单概括为： 1. 找到和目标用户兴趣相似的其他用户。 2. 利用这些相似用户的历史行为数据（如评分、购买记录等）来预测目标用户...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值